企业破产预测实证模型评述.doc

企业破产预测实证模型评述摘要：随着计量方法的改进，对企业破产的实证预测，重新成为理论界和实务界关注的重点。40年来代表性的破产预测实证模型包括专家评分系统、分离模型、多元分离模型、Logit模型、生存分析模型、神经网络模型等。对于每种模型的假设前提、所选择的解释变量、预测能力以及可能的局限性进行评述，可以得出结论：多元分离模型虽然传统，但实用性最强；分时风险模型因为改善了分离模型的静态性，预测准确率也更高，是目前应用最广泛的模型。 关键词：破产预测；多元分离模型；分时风险模型 中图分类号：F275.2 文献标识码：A 文章编号：1007-2101（2012）03-0051-04 从微观经济学的角度，如果企业到达停止营业点，就应该破产，但对于具体一个企业而言，停止营业点几乎是无法计算的，因此，在实践中只能从公司财务的角度，利用净利润、利息保障倍数等财务指标来预测企业的破产。很长一段时间以来，破产是公司财务问题，而非微观经济学问题。破产研究中，最吸引人的题目当属如何预测破产。如果能相对早地获得企业破产的信息，对于每个利益相关者来说，都可以避免破产所带来的损失。从20世纪60年代开始，有关倒闭预测的实证研究出现开始，各种实证模型层出不穷，但哪种模型的预测能力最强，却没有定论。通常的实证研究只选择其中的一种，对其他模型避而不谈。实际上，选择合适的模型，是实证研究最重要的一步。在下文中，作者对主流的破产预测模型逐一介绍，并就它们的优缺点简单评述，以期为其他倒闭实证研究提供方法上的参考。 一、破产预测模型开端：财务指标的简单排序 对破产或关闭的研究，始于专家评分系统（Credit Scoring）。直到现在，这种方法依然是像标普、穆迪这样的国际评级机构衡量信用风险时所使用的主流模型。专家利用信誉（Character）、财务杠杆（Capital）、资本充足度（Capacity）以及担保情况（Colateral）等信息形成对企业财务状况的主观判断和评分。根据经验和行业一般状况，对4个“C”进行5档分类，并对每一类的状况进行具体描述。根据评级结果，得出正常还是关闭的结论。如Rosenberg和Gleit所说，建立在4“C”法基础上的专家系统（Expert System）法仍然是判别破产的流行方法（Rosenberg 和Gleit，1994）。只不过，新的专家系统（Expert System）在传统的“事实―结论”的基础上，对是否被授予信用的过程做了更详细的解释，这也被称为中间层。从理论研究的角度，评分法和专家系统法都缺乏理论基础，使得结果像个黑盒子（Barakat和Bradley，2010），通常建立在专家的主观判断基础之上，而主观判断的可延展性较差。 沿着评分的思路，更规范的方法是比率分析。Altman c.f.（1968），Altman、Haldeman和Narayanan（1977），Collins（1980），Olson（1980），Platt（1991）等都采取比率分析方法对破产问题进行过研究。他们所采取的比率分析主要是两分法，即将样本数据按大小排列，在中位数附近选出关键值，如果样本观测值大于这个值，就是倒闭，如果小于，就归于非倒闭。Boritz（1991）曾经采用65个指标进行比率分析。 Hamer（1983）的分析认为，所选择的指标与比率分析的准确性没有直接关系。但Karels和Prakash（1987）却认为恰恰相反：如果仔细选择指标，对提高模型的预测准确性有很大帮助。在实际应用中，选择关键值是一个试错过程，分类的正确与错误只有在决策完成后才能看到。因此，关键值的确定无法完全准确，且总体关闭的预测与样本也可能呈现很大不同。 比两分法更进一步的是均值分析，即将正常组和关闭组样本数据分别求平均值，得出正常组均值和关闭组均值。如果关闭和不关闭的两组样本的分布很“密”，或者说，每组样本的均值几乎没有重叠，则均值法非常合适。因为均值不重叠，意味着两组样本之间差别明显。而如果均值很松，或者说重叠很严重，则用均值无法对两组样本进行有效区分。 比率分析简单，但有一定前提。首先，规模对比率分析有很大的影响，因为企业的偿付能力往往与规模相关，因此，比率分析应该在同行业和同规模的基础上进行。同样的比率对于不同规模的企业，是否产生破产的结果，答案可能并不相同。其次，比率分析有时无法对关闭预测提供明确的答案。如A企业比B企业的偿付能力更高，并不能说明A的关闭可能性，如果B的偿付能力很差的话，比B好并没有特别的意义。比率与其说可以预测倒闭，反倒不如说可以预测重大事件，而关闭仅仅是重大事件之一。 二、经典判别模型：分离模型（DA） 比率分析操作简单，但不同比率可能得出不同的结论，而且，针对某一个企业